CN115877896A - 一种畜禽养殖棚通风系统智能控制方法、系统及装置 - Google Patents

Abstract

本申请公开了一种畜禽养殖棚通风系统智能控制方法、系统及装置，包括实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；判断当前环境参数与预设范围的关系；每个环境参数均对应一个预设范围；若环境参数处于预设范围内，将环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；若环境参数处于预设范围外，触发报警提示。本申请结合实时环境数据，基于神经网络模型确定最佳通风系统调控方案，以科学指导养殖员调控畜禽养殖棚室内环境，增强畜禽类的生长质量，具有智能化程度高、成本低、操作简单及可推广性强的优点。

Description

一种畜禽养殖棚通风系统智能控制方法、系统及装置

技术领域

本申请涉及畜禽养殖技术领域，尤其涉及一种畜禽养殖棚通风系统智能控制方法、系统及装置。

背景技术

畜禽养殖棚的室内环境将直接决定了畜禽的生长速度和质量。例如生态猪养殖圈，如果湿度、光照强度、温度等环境参数不当，则很可能导致生态猪生长速度缓慢，生病甚至是死亡。因此，为了给畜禽提供良好的生长环境，则需要人工对畜禽养殖棚的室内环境进行实时或者不定时监测，一旦发现异常则需要现场手动调节环境参数，如手动调节通风系统的工作状态，以使得室内环境恢复到畜禽类适宜生长的环境。

然而，上述方式存在明显的弊端：第一，这种方式下需要人工不定时的进行监测和手动调节，智能化程度低，不仅要花费大量的人力物力，且操作繁琐，不利于大面积畜禽养殖推广；第二，上述方式通常是依赖于人工养殖经验来判断当下环境状态的，而不同养殖人员的经验参差不齐，仅依赖人工经验进行判断，显然无法保证当前通风系统的最适宜工作状态，进而无法确保室内环境是适宜畜禽生长的最佳环境；第三，现有的养殖监测过程中，对于通风系统的调节依据，仅依赖个别指标，导致对通风系统调节后的环境与实际畜禽类所需的生长环境存在较大偏差，而无法为畜禽类生长提供最佳环境。

发明内容

本申请的目的在于提供一种畜禽养殖棚通风系统智能控制方法、系统及装置，以解现有技术中对畜禽养殖棚的室内环境监控及针对通风系统调控时存在的智能化程度低、成本高、操作繁琐以及无法为畜禽类提供最佳生长环境的问题。

为实现上述目的，第一方面，本申请提供了一种畜禽养殖棚通风系统智能控制方法，包括：

实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；

判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；

若所述环境参数处于预设范围外，触发报警提示。

在第一方面的一些实现方式中，所述通风系统包括可移动装置、正压通风系统和负压通风系统；

所述正压通风系统和所述负压通风系统均设于所述可移动装置上，所述可移动装置与畜禽养殖棚室内墙面为导轨连接；

其中，正压通风系统包括正压通风机、正压进风筒及正压出风筒；负压通风系统包括负压通风机、负压进风筒及负压出风筒。

在第一方面的一些实现方式中，在所述根据输出结果确定通风系统的调控方案之后，还包括：

根据所述通风系统的调控方案自动调节所述通风系统，或

推送所述通风系统的调控方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对所述通风系统进行远程调节；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

在第一方面的一些实现方式中，在所述将所述环境参数输入至训练好的神经网络模型之前，还包括：

从数据库中获取畜禽养殖棚的历史成功养殖案例，并获取对应的历史环境参数，作为训练样本；

利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

将所述第一模型和所述第二模型输入至集成分类器，得到训练好的神经网络模型。

在第一方面的一些实现方式中，所述的畜禽养殖棚通风系统智能控制方法，还包括：

以畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度为模型输入，以畜禽养殖棚内的温度和湿度为模型的输出，分别训练第一模型和第二模型；其中，

利用层次分析法，确定畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度各指标的权重，以光照强度、必要气体浓度及有害气体浓度的加权指标组合作为模型输入。

在第一方面的一些实现方式中，基于所述Faster-RCNN算法训练得到第一模型，包括：

对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

利用改进的Faster-RCNN算法训练得到第一模型。

在第一方面的一些实现方式中，基于所述LSTM算法训练得到第二模型，包括：

构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

第二方面，本申请还提供了一种畜禽养殖棚通风系统智能控制系统，包括：

数据采集单元，用于实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；

数据分析单元，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

调控方案确定单元，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；

报警单元，用于若所述环境参数处于预设范围外，触发报警提示。

在第二方面的一些实现方式中，所述的畜禽养殖棚通风系统智能控制系统，还包括：

自动调节单元，用于根据所述通风系统的调控方案自动调节所述通风系统；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

第三方面，本申请还提供了一种畜禽养殖棚通风系统智能监控装置，包含如上任一项所述的畜禽养殖棚通风系统智能控制系统，还包括：

移动终端，用于当接收到所述通风系统的调控方案时，发送调节指令至所述畜禽养殖棚通风系统智能控制系统，以实现对畜禽养殖棚通风系统的远程调节。

第四方面，本申请还提供了一种计算机设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的畜禽养殖棚通风系统智能控制方法。

第五方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的畜禽养殖棚通风系统智能控制方法。

第六方面，本申请还提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得计算机设备执行时实现如第一方面的所述的基于深度学习算法的ETL调度方法。

相对于现有技术，本申请的有益效果在于：

1）本申请基于神经网络算法训练出对应的神经网络模型，能够根据实时采集的室内光照强度、必要气体浓度及有害气体浓度，并根据这些参数确定室内最佳的温度和湿度数值，以确定出最终的通风系统的调控方案，避免了根据人工经验判断而导致的调控操作不合理的问题，能够为畜禽类提供最佳的室内生长环境。

2）本申请采用的通风系统引入了正压通风和负压通风，且提供正压通风、负压通风、以及正负压同时工作的三种模式，能够确保调节畜禽养殖棚通风系统的多样性，能够在室内环境异常时及时调节恢复至正常状态。

3）本申请提供了自动调节和移动终端远程调节两种模式，当生成通风系统的调控方案后通常可先通过自动调节单元对照参数对通风系统进行调节，若调节有误或者需要结合实际情况改动，还可以结合移动终端远程调控，通过“人机”双重保障，使得畜禽养殖棚室内环境调控更加准确、可靠性更强。

4）本申请通过结合Faster-RCNN算法和STT-LSTM网络模型分别训练分配模型，再输入集成分类器输出最终的调度分配模型，避免了采用单一算法存在的鲁棒性差、耗时长的问题，提高了调度分配模型的分配精度。

5）本申请在模型训练时，基于层次分析法，以指标加权组合为输入训练模型，能够更准确的分析出各指标的内在联系，避免了采用单一指标训练的模型存在的分配不准确、效果差的问题。

6）本申请通过提供阈值法提供报警提示，且根据采集数据与阈值的差值大小，确定出不同的风险等级，并匹配不同的报警提示，从而更加有针对性的进行报警提示，有利于提高人工干预畜禽养殖棚环境调控的效率，增强管理能效。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请某一实施例提供的畜禽养殖棚通风系统智能控制方法的流程示意图；

图2是本申请某一实施例提供的畜禽养殖棚通风系统的结构示意图；

图3是本申请又一实施例提供的畜禽养殖棚通风系统智能控制方法的流程示意图；

图4是图1中步骤S30的子步骤的流程示意图；

图5是本申请某一实施例提供的对Faster-RCNN算法中RoI卷积神经网络改进的原理示意图；

图6是本申请某一实施例提供的STT-LSTM网络模型的结构示意图；

图7是图1中步骤S40的子步骤的流程示意图；

图8是本申请某一实施例提供的畜禽养殖棚通风系统智能控制系统的结构示意图；

图9是本申请又一实施例提供的畜禽养殖棚通风系统智能控制系统的结构示意图；

图10是图8中自动调节单元05的结构示意图；

图11是本申请某一实施例提供的温室大棚智能监控装置的结构示意图；

图12是本申请某一实施例提供的计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

第一方面：

请参阅图1，本申请某一实施例提供一种畜禽养殖棚通风系统智能控制方法。如图1所示，该畜禽养殖棚通风系统智能控制方法包括步骤S10至步骤S40。各步骤具体如下：

步骤S10、实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳。

可以理解的是，本步骤的主要目标在于采集畜禽养殖棚的能够影响畜禽类生长的各项参数指标。在现有技术中，通常只是关注了温湿度或光照强度这类影响较为明显的环境参数，但是对于有害气体浓度这类参数的影响往往会忽略，因此为了能够从多项参数指标中来综合确定参数配置方案，本步骤中对这五项环境指标均进行了采集。其中，必要气体浓度主要是指O₂，而有害气体浓度包括了NH₃、H₂S和NO₂。

在一个具体地实施方式中，采集各项参数主要是通过传感器和变送器来实现的。其中，温度、湿度以及光照强度可以通过在畜禽养殖棚内安装对应的温度传感器、湿度传感器及光照传感器来测量。由于畜禽养殖棚内的面积和空间较大，为了确保传感器采集数据的准确性，通常可以设置多个传感器，取平均值来计算畜禽养殖棚内气体的温度和湿度。

示例性的，必要气体O₂的浓度，有害气体浓度NH₃、H₂S和NO₂的浓度都可以采用对应的变送器来进行采集。在实际应用中，可根据实际需要选择量程多，测量精度高的变送器，此处不作限定。

步骤S20、判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围。

可以理解的是，在实际养殖过程中，若畜禽养殖棚的室内环境不利于畜禽类生长，而又不及时干预，则会严重影响畜禽类生长质量和养殖产量。因此，为了确保畜禽类的收成，通常会针对畜禽养殖棚室内环境的各个参数设定一个合理的工作范围，即步骤S20中的预设范围。当步骤S10采集到各数据后，步骤S20中对这些数据进行分析，然后判断当下畜禽养殖棚的环境数据是否处于预设范围之内，若是则执行步骤S30，若不是则执行步骤S40。其中，预设范围的大小可参考实际科学养殖建议的环境参数数值，此处同样不进行任何限定。

步骤S30、若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案。

本步骤中，由于环境参数处于预设范围内，因此表示畜禽养殖棚内的环境相对安全。但是，当下环境是否为最适宜畜禽类生长的环境显然需要进一步分析，为了得到最佳的通风系统的调控方案，本步骤中将采集的环境参数直接输入至提前训练好的神经网络模型中，该神经网络模型是基于神经网络算法和历史养殖的成功案例中所涉及的环境参数去训练的，能够根据输入的部分环境参数去输出剩余环境参数的最佳比例，最终根据输出的环境参数的配比去确定通风系统的调控方案。如此，可指导养殖人员根据该方案去调节畜禽养殖棚的室内环境，提高畜禽类生长质量。

步骤S40、若所述环境参数处于预设范围外，触发报警提示。

本步骤中，由于环境参数处于预设范围外，说明室内环境不利于畜禽类生长，此时需要触发报警提示，以提醒养殖人员及时干预。

综上所述，本实施例提供的畜禽养殖棚智能控制方法，通过采集畜禽养殖棚室内的温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度，并设定对应的预设范围，当处于预设范围外可以触发警报，当处于预设范围内可通过提前训练好的基于人工智能算法的预测模型进行最优通风系统的调控方案的推送，以科学指导养殖人员养殖畜禽类，提高畜禽类的成活率和生长质量及产量。

请参阅图2，在第一方面的一些实施例中，通风系统001包括可移动装置030、正压通风系统010和负压通风系统020；

正压通风系统010和负压通风系统020均设于可移动装置030上，可移动装置030与畜禽养殖棚室内墙面为导轨连接；

其中，正压通风系统包括正压通风机、正压进风筒及正压出风筒；负压通风系统包括负压通风机、负压进风筒及负压出风筒。

请参阅图3，在一个示例性的实施例中，在所述根据输出结果确定通风系统的调控方案之后，还包括：

步骤S50、根据所述通风系统的调控方案自动调节所述通风系统，或

步骤S60、推送所述通风系统的调控方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对所述通风系统进行远程调节；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

本实施例中，在生成通风系统的调控方案之后，将其作为养殖人员调节环境参数的依据。本实施例中，为了提高智能化程度，提供了两种调节方式：一种是自动调节畜禽养殖棚的通风系统，另一种是将方案推送至移动终端，由移动终端远程进行调控。

可以理解，在实际应用中，采用自动调控和人工远程调控的方式相当于提供了双重保障。通常，当通风系统的调控方案生成之后，优先利用自动调节单元根据推荐的调控方案生自动调节畜禽养殖棚的环境。同时，数据会同步至移动终端，使得养殖人员对于调节通风系统前后的环境参数都能够及时了解。下面给出几种场景对该调节模式的优点进行说明：

场景1：

通风系统的调控方案确定之后，数据发送至自动调节单元，并同步至移动终端，自动调节单元先根据方案调节畜禽养殖棚通风系统。但是养殖人员根据实际养殖情况对该方案进行了判断，认为当前通风系统的调控方案并非最优，即可以再进一步优化。

通常畜禽养殖棚内的温度范围为24-26℃，湿度范围为70%~80%。以养殖猪为例，对于返情、流产的问题母猪，采取200lx以上的高强度光照为较佳的生长环境。断奶以及后备母猪光照强度在150-250 lx，时长为16-18h/天为宜，增加光照强度能够刺激母猪发情。配种后，光照强度与时间可以调整到100lx，时长为16h/天。假设当前调控方案中推荐的湿度为70%，温度为24℃。但是实际情况是，养殖棚中的幼猪较多，因此为了确保幼猪的适宜温度环境，可将室温适当增加。

可以理解，上述的温度调节只是一个示例性的应用，而其他参数，如CO2浓度、湿度、有害气体浓度NH₃、H₂S和NO₂等也与通风系统的工作状态有关。而这些参数也可以通过人工方式进行二次确认。当要依据实际养殖需求改变通风系统的调控方案时，均可以通过人工二次确认推荐方案，然后通过移动终端再次调控通风系统，以使得畜禽养殖棚养殖环境更符合实际养殖需求。

场景2：

上述场景1中，自动调节单元和移动终端均为正常工作状态，但在实际运行过程中，当自动调节单元接收到通风系统的调控方案之后，很可能由于自身故障，导致无法对畜禽养殖棚环境参数进行正确调节，包括自动调节单元无法工作或者调节数据不对等。此时，由于数据已同步至移动终端，养殖人员可对于调节前后的环境参数及时掌握，一旦发现自动调节单元未能按照推荐方案调节环境参数，即可通过移动终端远程调节，以保证畜禽类的生长环境。

场景3：

在一个优选的实施方式中，为了让养殖人员及时掌握畜禽养殖棚室内环境情况，在自动调节单元调节完通风系统之后，可以发送提示信息至移动终端。同理，若自动调节单元故障，无法正常工作，也可触发报警提示，以使得养殖人员及时地通过移动终端对畜禽养殖棚通风系统进行远程调节。

综上所述，本申请实施例通过提供自动调节和移动终端远程调节两种模式，当生成智能方案后先由自动调节单元对照参数进行调节，若调节有误或者还需要结合实际情况改动，还可以结合移动终端远程调控，以确定出最优的通风系统的调控方案，通过“人机”双重保障，使得畜禽养殖棚室内环境调控更加准确、可靠性更强。

在一些具体地实施例中，本申请在调节通风系统时，可以采用正压通风、负压通风、以及正负压同时工作的三种模式。其中，负压通风是在相对密封的空间内，通过负压通风机强行将室内空气抽出，形成瞬时负压，室外空气在大气压下通过进气口自动流入室内的通风模式。正压通风则是，正压风机通过正压通风机把舍外新鲜的空气均匀送到舍内指定区域，满足不同养殖工艺对风速的要求，使得畜禽养殖棚内外形成一个15-20pa的压差，使畜禽养殖棚一直处于一个微正压的状态。需要说明的是，具体采用何种通风模式可根据实际需求进行选择，本实施例不作任何限定。综上，通过本实施例提供的三种工作模式，能够确保调节畜禽养殖棚通风系统的多样性，从而使得室内环境异常时，可通过及时调节恢复至正常状态。

参见图4，在一个实施例中，在步骤S30中的所述将所述环境参数输入至训练好的神经网络模型之前，还包括：

步骤S301、从数据库中获取畜禽养殖棚的历史成功养殖案例，并获取对应的历史环境参数，作为训练样本；

步骤S302、利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

步骤S303、将所述第一模型和所述第二模型输入至集成分类器，得到训练好的神经网络模型。

需要说明的是，在实际应用中，可以理解的是，Faster-RCNN算法和LSTM算法在应用时都具有各自的优缺点。例如，单一使用Faster-RCNN算法进行数据融合时，虽然具有较高的通用性和鲁棒性，其在多个数据集及任务处理过程上有较优的处理效果，但是其存在的缺点也比较明显，例如提取的特征图仅仅是单层的，分辨率通常也较小，进而会影响数据融合最终的准确度。而LSTM算法虽然在序列建模问题上具有一定优势，具有长时记忆功能，能够解决长序列训练过程中存在的梯度消失和梯度爆炸的问题。但是其缺点是在并行处理上存在劣势，且计算过程十分耗时，效率相对一些最新的神经网络来说较低。因此，为了能够提高预测模型预测结果的准确度，本实施例提供了一种集成分类器，在应用的过程中基于Faster-RCNN算法和LSTM算法分别训练出第一模型和第二模型，然后再输入至集成分类器，得到最终的预测模型。如此，则可以缓冲单独算法预测时的问题，从而有效的提高预测结果的准确度。

在一个示例性的实施方式中，步骤S301中从数据库中获取畜禽养殖棚的历史成功养殖案例，并获取对应的历史环境参数，作为训练样本，包括：

1）对所述历史环境参数进行数据预处理，包括数据清洗和归一化处理，

2）利用均值滤波算法对预处理后的历史环境参数进行降噪处理，将降噪后的数据作为训练样本。

本实施例中，通过数据清洗，可以消除异常值和填补缺失值。同时，为了保证计算过程的效率，避免不同量纲对于计算过程的干扰，本实施例中还采用了数据归一化处理的方式，加快计算过程。进一步的，本实施例中还采用了均值滤波算法对预处理后的历史环境参数进行降噪处理，以提高训练样本的质量。

示例性地，在训练神经网络模型时，还包括：

1）以畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度为模型输入，以畜禽养殖棚内的温度和湿度为模型的输出，分别训练第一模型和第二模型；其中，

2）利用层次分析法，确定畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度各指标的权重，以光照强度、必要气体浓度及有害气体浓度的加权指标组合作为模型输入。

需要说明的是，层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。

本实施例在模型训练时，基于层次分析法，以指标加权组合为输入训练模型，能够更准确的分析出各指标的内在联系，避免了采用单一指标训练的模型存在的分配不准确、效果差的问题。

在一个具体地实施例中，步骤S302具体包括两部分：

第一，基于所述Faster-RCNN算法训练得到第一模型，包括：

1）对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

2）把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

3）当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

4）利用改进的Faster-RCNN算法训练得到第一模型。

需要说明的是，在大型目标检测中，Faster-RCNN算法的检测效果较好，但对于目标较小，且与背景区分度不高的情境中，检测受到较大影响，出现了较多的遗漏和错检的现象。因此，本实施例中采用改进的Faster-RCNN算法来训练得到第一模型。

具体的，检测算法过程中，Faster-RCNN算法中的RoI Pooling多次量化会引起像素偏差，本实施例运用双线性插值的RoI Pooling方法来解决偏差问题。整个流程如图5所示，RoI卷积神经网络改进的具体操作为：

1）把RoI 投射到特征图区域内，计算过程不取整且保留小数；

2）把RoI投射特征图的结果均匀地划分到一个2×2的区域里，在这些均分的区域里，每个区域都布置均匀采样点4个，对每个采样点进行双线性插值；

3）每个采样点完成双线性插值后，对该区域里的4个采样点取最大值，即MaxPooling，最后产生2×2区域的特征量；在整个过程中，虽然没有取整操作，但通过这样的双线性插值的对齐RoI Pooling，能够获得更加精确的RoI位置数据，检测值更加精确。

4）最后，利用训练样本对改进的Faster-RCNN算法进行训练，直至模型收敛，得到第一模型。

第二，基于所述LSTM算法训练得到第二模型，包括：

1）构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

2）将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

3）将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

参见图6，图6提供了该STT-LSTM网络模型的结构示意图。如图6所示，STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层，在训练模型时，只需要将输入数据分别从左边的两个LSTM的网络中并行输入，然后经过LSTM网络计算后将输出结果输入至第一个全连接层进行融合，得到初步融合结果；最后，将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。本实施例中，通过构建两层STT-LSTM网络，保留了原始LSTM的基本建模能力，同时提高了网络的选择性注意能力。

综上，本申请实施例通过结合Faster-RCNN算法和STT-LSTM网络模型的双重预测，再输入集成分类器输出最终的预测模型，避免了采用单一算法存在的鲁棒性差、耗时长的问题，提高了预测模型的预测精度。

请参阅图7，在一个具体的实施方式中，步骤S40中若所述环境参数处于预设范围外，触发报警提示，还包括以下子步骤：

S401、计算所述环境参数与所述预设范围中最大值或最小值的差值；

S402、若所述差值处于第一风险数值范围，触发一级报警提示；

S403、若所述差值处于第二风险数值范围，触发二级报警提示。

可以理解的是，在实际应用中，畜禽养殖棚环境参数一旦处于预设范围外需要养殖人员及时干预。然而，现有的方法在进行报警提示时，往往缺乏针对性，进而无法使得养殖人员及时的掌握操作不当引起的风险程度。由于没有对风险程度进行分门别类，因此在人工干预处理紧急情况时，往往会出现资源浪费、分配不均衡、调度不合理或者人工干预并不能及时解决紧急问题的缺陷。例如，当畜禽养殖棚的环境参数所处的风险程度有轻微和严重，若不进行报警提示的区分，很可能导致养殖人员的干预警惕性不够，或者说严重是分配的干预养殖人员经验不足，并不能及时化解紧急情况，甚至导致不可挽回的损失。

因此，本申请实施例首先在步骤S401中计算所述环境参数与所述预设范围中最大值或最小值的差值；假设该差值处于第一风险数值范围，认为当前风险程度较低，触发一级报警提示，此时即可安排解决该程度问题的养殖人员前来干预。假设，该差值处于第二风险数值范围，则触发二级报警提示，此时则匹配能够解决该封风险程度的养殖人员前来解除风险。

可以理解的是，在实际应用中，第一预设范围和第二预设范围都可以根据实际情况自行设定，此处不作任何限定。另外，为了方便说明，本实施例的报警提示仅仅分为了一级报警和二级报警。在实际操作中，也可以根据需要设置更多的风险级别，对应提供更加细致、更多级化的报警提示，从而增强养殖人员对紧急情况处理结果的能效，减小养殖事故发生的概率。此外，作为优选地实施方式，报警提示方法可采用蜂鸣器进行报警，也可以发送提示消息至移动终端以进行提示。

第二方面：

请参阅图8，本申请某一实施例还提供了一种畜禽养殖棚通风系统智能控制系统，包括：

数据采集单元01，用于实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；

数据分析单元02，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

调控方案确定单元03，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；

报警单元04，用于若所述环境参数处于预设范围外，触发报警提示。

在一个具体地实施例中，所述的畜禽养殖棚通风系统智能控制系统，还包括自动调节单元05，如图9所示。具体地，自动调节单元05用于根据所述通风系统的调控方案自动调节所述通风系统；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

本实施例中，自动调节环境参数主要由自动调节单元05来实现。参见图9，在一个实施例中，提供了该自动调节单元05的组成结构，包括信号调理电路051、控制器052、各个参数的驱动电路053以及调节设备054。其中，当环境参数配置方案生成之后，会生成对应的调节信号至信号调理电路051，由信号调理电路051将该模拟调节信号转化为数字调节信号，并发送至控制器052。优选地，控制器052可采用PLC控制器。当控制器052对调节信号进行处理后，会生成对应的驱动信号至驱动电路053，其中每个环境参数，包括温湿度、光照强度、土壤水分、必要气体和有害气体等都有对应的驱动电路。当驱动电路053发出驱动信号时，就会驱动调节设备054工作，以对当前的环境参数进行调节。其中，调节设备054可包括加热/降温装置，用于调节温度；通风装置或加湿器/抽湿器，用于调节湿度；遮光装置或者补光灯装置，用于调节光照强度；气体储存/吸收装置，用于改变气体浓度，水分调节装置，用于补充或者吸收土壤水分。

可以理解，上述的畜禽养殖棚通风系统智能监控装置可实施上述方法实施例的畜禽养殖棚通风系统智能监控方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

第三方面：

请参阅图11，本申请某一实施例还提供一种畜禽养殖棚通风系统智能监控装置10，包含如上任一项实施例所述的畜禽养殖棚通风系统智能控制系统，还包括：

移动终端200，用于当接收到所述通风系统的调控方案时，发送调节指令至所述畜禽养殖棚通风系统智能控制系统，以实现对畜禽养殖棚通风系统的远程调节。

本实施例中，畜禽养殖棚通风系统智能控制系统100可与移动终端200进行数据交互，具体为畜禽养殖棚通风系统智能控制系统100调节前后的环境数据可同步至移动终端200，移动终端200可通过远程指令调控畜禽养殖棚通风系统。其中，二者之前的数据交互过程可参照第一方面所述的温室大棚智能智能控制方法所描述的内容，此处不再进一步赘述。

第四方面：

请参阅图12，本申请某一实施例还提供一种计算机设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的畜禽养殖棚通风系统智能控制方法。

处理器用于控制该计算机设备的整体操作，以完成上述的畜禽养殖棚通风系统智能控制方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机设备的操作，这些数据例如可以包括用于在该计算机设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

在一示例性实施例中，计算机设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C) 、数字信号处理器(DigitalSignal Processor，简称DSP) 、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD) 、现场可编程门阵列(Field Programmable Gate Array ，简称FPGA) 、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的畜禽养殖棚通风系统智能控制方法，并达到如上述方法一致的技术效果。

在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的畜禽养殖棚通风系统智能控制方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由计算机设备的处理器执行以完成如上述任一项实施例所述的畜禽养殖棚通风系统智能控制方法，并达到如上述方法一致的技术效果。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。

Claims (12)

1.一种畜禽养殖棚通风系统智能控制方法，其特征在于，包括：

实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；

判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；

若所述环境参数处于预设范围外，触发报警提示。

2.根据权利要求1所述的畜禽养殖棚通风系统智能控制方法，其特征在于，所述通风系统包括可移动装置、正压通风系统和负压通风系统；

所述正压通风系统和所述负压通风系统均设于所述可移动装置上，所述可移动装置与畜禽养殖棚室内墙面为导轨连接；

其中，正压通风系统包括正压通风机、正压进风筒及正压出风筒；负压通风系统包括负压通风机、负压进风筒及负压出风筒。

3.根据权利要求2所述的畜禽养殖棚通风系统智能控制方法，其特征在于，在所述根据输出结果确定通风系统的调控方案之后，还包括：

根据所述通风系统的调控方案自动调节所述通风系统，或

推送所述通风系统的调控方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对所述通风系统进行远程调节；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

4.根据权利要求1所述的畜禽养殖棚通风系统智能控制方法，其特征在于，在所述将所述环境参数输入至训练好的神经网络模型之前，还包括：

从数据库中获取畜禽养殖棚的历史成功养殖案例，并获取对应的历史环境参数，作为训练样本；

利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

将所述第一模型和所述第二模型输入至集成分类器，得到训练好的神经网络模型。

5.根据权利要求4所述的畜禽养殖棚通风系统智能控制方法，其特征在于，还包括：

以畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度为模型输入，以畜禽养殖棚内的温度和湿度为模型的输出，分别训练第一模型和第二模型；其中，

利用层次分析法，确定畜禽养殖棚内的光照强度、必要气体浓度及有害气体浓度各指标的权重，以光照强度、必要气体浓度及有害气体浓度的加权指标组合作为模型输入。

6.根据权利要求5所述的畜禽养殖棚通风系统智能控制方法，其特征在于，基于所述Faster-RCNN算法训练得到第一模型，包括：

对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

利用改进的Faster-RCNN算法训练得到第一模型。

7.根据权利要求5所述的畜禽养殖棚通风系统智能控制方法，其特征在于，基于所述LSTM算法训练得到第二模型，包括：

构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

8.一种畜禽养殖棚通风系统智能控制系统，其特征在于，包括：

数据采集单元，用于实时获取畜禽养殖棚内的环境参数，包括温度、湿度、光照强度、必要气体浓度及有害气体浓度；其中，必要气体包括氧气，有害气体包括氨气、硫化氢以及二氧化碳；

数据分析单元，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

调控方案确定单元，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的神经网络模型，根据输出结果确定通风系统的调控方案；

报警单元，用于若所述环境参数处于预设范围外，触发报警提示。

9.根据权利要求8所述的畜禽养殖棚通风系统智能控制系统，其特征在于，还包括：

自动调节单元，用于根据所述通风系统的调控方案自动调节所述通风系统；

其中，所述通风系统的工作模式包括仅启用正压通风系统、仅启用负压通风系统，以及同时启用正压通风系统和负压通风系统。

10.一种畜禽养殖棚通风系统智能监控装置，包含如权利要求8-9任一项所述的畜禽养殖棚通风系统智能控制系统，其特征在于，还包括：

移动终端，用于当接收到所述通风系统的调控方案时，发送调节指令至所述畜禽养殖棚通风系统智能控制系统，以实现对畜禽养殖棚通风系统的远程调节。

11.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的畜禽养殖棚通风系统智能控制方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的畜禽养殖棚通风系统智能控制方法。

Images